乘梯异常行为识别方法、监测系统、计算机设备和存储介质技术方案

本申请涉及一种乘梯异常行为识别方法、监测系统、计算机设备和存储介质。所述乘梯异常行为识别方法包括：获取与乘客乘梯行为相关的实时视频数据，将实时视频数据进行预处理，得到与实时视频数据相关的行为特征数据，根据行为特征数据以及预设的各类异常行为标准进行预判断，将预判断为异常的行为特征数据输入对应识别该异常行为的训练后的子深度神经网络，得到异常行为识别结果，根据异常行为识别结果输出相应的报警指令，其中，子深度神经网络具有多个，分别对不同的异常行为进行识别。采用本方法能够提高乘梯异常行为识别的效率以及准确度。准确度。准确度。

【技术实现步骤摘要】
乘梯异常行为识别方法、监测系统、计算机设备和存储介质


[0001]本申请涉及电梯安全
，特别是涉及一种乘梯异常行为识别方法、监测系统、计算机设备和存储介质。

技术介绍

[0002]自动扶梯以及电梯是现在人们生活场景中必不可少的传送工具，但是在乘坐过程中，经常会因为乘客的异常乘梯行为导致电梯事故，从而造成不必要的人员伤亡。
[0003]在现有技术中，通常在电梯轿厢内部或在扶梯上方位置设置摄像头实时进行视屏拍摄，然后再由值班人员进行监控或事后翻看监控记录。单凭借摄像头采集信息作为监控在功能使用上是比较单一的，另外也存在很多弊端，比如：需要监控人员通过肉眼实时监控，但由于人眼容易疲劳，会丢失很多信息，容易发生漏检的情况；采集到的数据多于事后的调查取证，无法实现实时报警功能，不能及时阻止异常事件的发生等。
[0004]然而，随着人工智能的快速发展，现有技术中也有运用人工智能通过视频数据对乘客异常行为进行识别，利用YOLOv3网络模型对实时视频流以每秒10帧的频率进行截取交由后台服务器与标注标样进行对比分析，从而得到危险乘梯行为的结果识别。但是该方案依托后台强大的GPU服务器实时进行算法分析、样本对比，导致在实际商业案例中费用高昂，无法大面积进行推广。

技术实现思路

[0005]基于此，有必要针对上述问题，提供一种能够至少解决其中一个问题的乘梯异常行为识别方法、监测系统、计算机设备和存储介质。
[0006]一种乘梯异常行为识别方法，包括：
[0007]获取与乘客乘梯行为相关的实时视频数据；
[0008]将所述实时视频数据进行预处理，得到与所述实时视频数据相关的行为特征数据；
[0009]根据所述行为特征数据以及预设的各类异常行为标准进行预判断，将预判断为异常的行为特征数据输入对应识别该异常行为的训练后的子深度神经网络，得到异常行为识别结果，根据所述异常行为识别结果输出相应的报警指令；
[0010]其中，所述子深度神经网络具有多个，分别对不同的异常行为进行识别。
[0011]可选的，所述将所述实时视频数据进行预处理，得到与所述实时视频数据相关的行为特征数据包括：
[0012]将所述视频数据根据预设频率进行截取，得到多帧连续的视频图像；
[0013]根据各帧视频图像进行行为特征提取，分别得到与各帧视频图像对应的行为特征数据。
[0014]可选的，训练所述子深度神经网络包括：
[0015]获取与乘客乘梯行为相关的视频数据；
[0016]将所述视频数据进行预处理，得到与所述视频数据对应的训练特征数据；
[0017]根据所述训练特征数据对深度神经网络进行训练，得到所述训练特征数据对应的异常判定阈值；
[0018]计算目标判定阈值与异常判定阈值之间的实际偏差，并根据所述实际差异对所述深度神经网络中的参数进行调整；
[0019]直至所述实际偏差达到预期，完成训练得到训练后的深度神经网络，所述训练后的深度神经网络具有多个与各异常行为对应的子深度神经网络。
[0020]可选的，所述目标判定阈值根据对应的所述的视频数据进行异常行为标注后得到。
[0021]可选的，所述深度神经网络中包括OpenPose结构以及带空洞卷积的MobileNet；
[0022]其中，所述OpenPose具有7x7卷积层。
[0023]可选的，各所述异常行为依据乘梯类型分为直梯异常行为以及扶梯异常行为；
[0024]所述直梯异常行为包括：扒轿厢门、在轿厢内跳跃、长时间挡门、携带电动车；
[0025]所述扶梯异常行为包括：摔倒、逆行、大型物体滞留以及推婴儿车。
[0026]本申请还提供了一种乘梯异常行为监测系统，包括摄像装置、边缘计算网关以及警报装置；
[0027]所述摄像装置用于采集与电梯上乘客行为相关的实时视频数据并发送至所述边缘计算网关；
[0028]所述边缘计算网关接收到所述实时视频数据根据上述的乘梯异常行为识别方法进行处理后，输出相应的报警指令；
[0029]所述警报装置用于根据所述报警指令进行报警。
[0030]本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0031]获取与乘客乘梯行为相关的实时视频数据；
[0032]将所述实时视频数据进行预处理，得到与所述实时视频数据相关的行为特征数据；
[0033]根据所述行为特征数据以及预设的各类异常行为标准进行预判断，将预判断为异常的行为特征数据输入对应识别该异常行为的训练后的子深度神经网络，得到异常行为识别结果，根据所述异常行为识别结果输出相应的报警指令；
[0034]其中，所述子深度神经网络具有多个，分别对不同的异常行为进行识别。
[0035]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0036]获取与乘客乘梯行为相关的实时视频数据；
[0037]将所述实时视频数据进行预处理，得到与所述实时视频数据相关的行为特征数据；
[0038]根据所述行为特征数据以及预设的各类异常行为标准进行预判断，将预判断为异常的行为特征数据输入对应识别该异常行为的训练后的子深度神经网络，得到异常行为识别结果，根据所述异常行为识别结果输出相应的报警指令；
[0039]其中，所述子深度神经网络具有多个，分别对不同的异常行为进行识别。
[0040]上述乘梯异常行为识别方法、监测系统、计算机设备和存储介质，通过先对实时视频数据采用预处理的方式，预先判断乘坐直梯或者扶梯的乘客是否出现异常行为以及是某一类异常行为后，再将处理后的视频数据输入相应的子深度神经网络中进行最终识别。这样将视频数据进行分类识别的方式大大降低了运算难度，提高了识别的准确度。
附图说明
[0041]图1为一个实施例中乘梯异常行为识别方法的流程示意图；
[0042]图2为一个实施例中训练子深度神经网络方法的流程示意图；
[0043]图3为一个实施例中乘梯异常行为识别装置的结构框图；
[0044]图4为一个实施例中计算机设备的内部结构图。
具体实施方式
[0045]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0046]如图1所示，提供了一种乘梯异常行为识别方法，该方法包括：
[0047]步骤S102，获取与乘客乘梯行为相关的实时视频数据；
[0048]步骤S104，将实时视频数据进行预处理，得到与实时视频数据相关的行为特征数据；
[0049]步骤S106，根据行为特征数据以及预设的各类异常行为标准进行预判断，将预判断为异常的行为特征数据输入对应识别该异常行为的训练后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种乘梯异常行为识别方法，其特征在于，包括：获取与乘客乘梯行为相关的实时视频数据；将所述实时视频数据进行预处理，得到与所述实时视频数据相关的行为特征数据；根据所述行为特征数据与预设的各类异常行为标准进行预判断，将预判断为异常的行为特征数据输入对应识别该异常行为的训练后的子深度神经网络，得到异常行为识别结果，根据异常行为识别结果输出相应的报警指令；其中，所述子深度神经网络具有多个，分别对不同的异常行为进行识别。2.根据权利要求1所述的乘梯异常行为识别方法，其特征在于，所述将所述实时视频数据进行预处理，得到与所述实时视频数据相关的行为特征数据包括：将所述视频数据根据预设频率进行截取，得到多帧连续的视频图像；根据各帧视频图像进行行为特征提取，分别得到与各帧视频图像对应的行为特征数据。3.根据权利要求1所述的乘梯异常行为识别方法，其特征在于，训练所述子深度神经网络包括：获取与乘客乘梯行为相关的视频数据；将所述视频数据进行预处理，得到与所述视频数据对应的训练特征数据；根据所述训练特征数据对深度神经网络进行训练，得到所述训练特征数据对应的异常判定阈值；计算目标判定阈值与异常判定阈值之间的实际偏差，并根据所述实际差异对所述深度神经网络中的参数进行调整；直至所述实际偏差达到预期，完成训练得到训练后的深度神经网络，所述训练后的深度神经网络具有多个与各异常行为对应的子深度神经网络。4.根据权利要求3...

【专利技术属性】
技术研发人员：丁彧，
申请(专利权)人：杭州西奥电梯有限公司，
类型：发明
国别省市：